[發明專利]一種基于K近鄰和隨機游走算法的圖像自動標注方法

有效

• 申請號: 201910822291.5
• 申請日: 2019-09-02
• 公開（公告）號: CN110516092B
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 王振武
• 申請（專利權）人: 中國礦業大學（北京）
• 主分類號: G06F16/53
• 分類號: G06F16/53;G06F16/953;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于K近鄰和隨機游走的圖像自動標注方法，其特征在于，基于漢明損失和高斯核函數計算圖像間相似度，基于K近鄰構造概率模型圖，基于隨機游走構造圖像屬于各個標簽的預測概率，基于標簽預測概率構造圖像預測標簽集，依次含有以下步驟：

步驟(A1)：提取圖像的特征構成訓練集和測試集其中i為圖像的編號，為第i幅圖像x_i的特征向量，為連續特征，D₁為連續特征的個數，為離散特征，D為特征的總個數，為x_i的標簽集y_i標簽向量，L＝{l₁,l₂,…,l_Q}為總標簽集，l_q為L中的第q標簽，q為標簽的編號，Q為總標簽個數；

步驟(A2)：基于漢明損失和高斯函數計算x_i與x_j間的相似度similarity(x_i,x_j)(i,j＝1,2,…m+n)；

步驟(A3)：基于K近鄰構造概率模型圖其中為的頂點集，為的邊集；

步驟(A4)：基于隨機游走算法構造圖像屬于各個標簽的預測概率向量其中為x_i屬于l_q的預測概率(i＝m+1,m+2,…,m+n，q＝1,2,…,Q)；

步驟(A5)：基于預測概率構造圖像的預測標簽集y′_i(i＝m+1,m+2,…,m+n)；

所述基于漢明損失和高斯核函數計算圖像間相似度，步驟如下：

步驟(B1)基于漢明損失構造x_i與x_j間關于各個離散特征的相似度且i和j不可同時大于m)；

步驟(B2)基于高斯核函數構造x_i與x_j間關于各個連續特征的相似度其中表示向量與間的距離，為調節因子；

步驟(B3)通過對NomSimilarity(x_i,x_j)和NumSimilarity(x_i,x_j)加權求和，構造x_i與x_j間的相似度

所述基于K近鄰構造概率模型圖，步驟如下：

步驟(C1)：構造x_i在訓練集中K近鄰其中K為中元素的個數，其中x屬于x_i在χ_train中的K近鄰表示在χ_train中所有特征向量對應的圖像與x_i間的相似度由大到小的排序中，x位于前K個中；

步驟(C2)：構造的頂點集其中r為中第一頂點的編號；

步驟(C3)：構造的邊集其中其中s為中第二頂點的編號，分別為v_r、v_s對應的圖像的標簽集；

步驟(C4)：構造概率模型圖

所述基于隨機游走構造圖像屬于各個標簽的預測概率，步驟如下：

步驟(D1)：構造基于的轉態轉移矩陣其中為的第r+1行第s+1列上的元素，

步驟(D2)：構造基于的跳轉概率向量其中1_K+1為分量為1的K+1維度列向量；

步驟(D3)：構造基于隨機游走公式其中k為迭代次數α為隨機游走時發生跳轉的概率，為第k次隨機游走時的概率分布向量，為k＝0對應的概率分布向量；

步驟(D4)：不斷迭代直至得到穩定的概率分布向量其中滿足ε為迭代誤差；

步驟(D5)：計算最終的概率分布向量其中為l_q在中的先驗概率；

步驟(D6):計算圖像屬于各個標簽的預測概率向量其中為x_i屬于l_q的預測概率，

所述基于標簽預測概率構造圖像預測標簽集，步驟如下：

步驟(E1):計算中屬于l_q的圖像的標簽集的平均長度

步驟(E2):計算中圖像x_i的標簽集的預測長度

步驟(E3):對按由大到小進行排序；

步驟(E4):在按由大到小進行排序中選取前length(y_i′)個概率對應的標簽，將這些標簽的集合構成圖像預測標簽集。